論文の概要: Symmetria: A Synthetic Dataset for Learning in Point Clouds

• arxiv url: http://arxiv.org/abs/2510.23414v1
• Date: Mon, 27 Oct 2025 15:18:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.587692
• Title: Symmetria: A Synthetic Dataset for Learning in Point Clouds
• Title（参考訳）: Symmetria: ポイントクラウドでの学習のための合成データセット
• Authors: Ivan Sipiran, Gustavo Santelices, Lucas Oyarzún, Andrea Ranieri, Chiara Romanengo, Silvia Biasotti, Bianca Falcidieno,
• Abstract要約: 任意のスケールで生成できる式駆動型データセットを提案する。 既知の構造と高い可変性を備えた形状を作成し、ニューラルネットワークがポイントクラウド機能を効果的に学習できるようにする。 その結果、このデータセットは、ポイントクラウドの自己教師付き事前トレーニングに非常に効果的であることが示された。
• 参考スコア（独自算出の注目度）: 3.940178181041262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unlike image or text domains that benefit from an abundance of large-scale datasets, point cloud learning techniques frequently encounter limitations due to the scarcity of extensive datasets. To overcome this limitation, we present Symmetria, a formula-driven dataset that can be generated at any arbitrary scale. By construction, it ensures the absolute availability of precise ground truth, promotes data-efficient experimentation by requiring fewer samples, enables broad generalization across diverse geometric settings, and offers easy extensibility to new tasks and modalities. Using the concept of symmetry, we create shapes with known structure and high variability, enabling neural networks to learn point cloud features effectively. Our results demonstrate that this dataset is highly effective for point cloud self-supervised pre-training, yielding models with strong performance in downstream tasks such as classification and segmentation, which also show good few-shot learning capabilities. Additionally, our dataset can support fine-tuning models to classify real-world objects, highlighting our approach's practical utility and application. We also introduce a challenging task for symmetry detection and provide a benchmark for baseline comparisons. A significant advantage of our approach is the public availability of the dataset, the accompanying code, and the ability to generate very large collections, promoting further research and innovation in point cloud learning.
• Abstract（参考訳）: 大規模なデータセットから恩恵を受ける画像やテキストドメインとは異なり、ポイントクラウド学習技術は大規模なデータセットが不足しているため、しばしば制限に直面する。 この制限を克服するため、任意のスケールで生成可能な式駆動型データセットであるSymetriaを提案する。 構築によって、正確な基底真理の絶対的可用性が保証され、サンプルが少ないことによるデータ効率の実験が促進され、多様な幾何学的設定をまたいだ広範な一般化が可能となり、新しいタスクやモダリティへの拡張が容易になる。 対称性の概念を用いて、既知の構造と高い可変性を持つ形状を作成し、ニューラルネットワークが点雲の特徴を効果的に学習できるようにする。 このデータセットは,分類やセグメンテーションなどの下流タスクにおいて高い性能のモデルが得られる点クラウドの自己教師型事前学習に極めて有効であることを示す。 さらに、私たちのデータセットは、現実世界のオブジェクトを分類するための微調整モデルをサポートし、アプローチの実用性とアプリケーションを強調します。 また、対称性検出のための挑戦的なタスクを導入し、ベースライン比較のためのベンチマークを提供する。 このアプローチの大きな利点は、データセットの公開、付随するコード、非常に大規模なコレクションを生成する能力、ポイントクラウド学習におけるさらなる研究とイノベーションを促進することです。

関連論文リスト

• Efficient Long-Tail Learning in Latent Space by sampling Synthetic Data [1.9290392443571385]
  不均衡な分類データセットは、機械学習に重大な課題をもたらす。 本稿では,視覚基礎モデルのリッチなセマンティック潜在空間を利用して合成データを生成し,単純な線形分類器を訓練する新しいフレームワークを提案する。 提案手法は,CIFAR-100-LTベンチマークの最先端性を新たに設定し,Places-LTベンチマークで高い性能を示す。
  論文  参考訳（メタデータ） (2025-09-19T10:52:31Z)
• Exploiting Local Features and Range Images for Small Data Real-Time Point Cloud Semantic Segmentation [4.02235104503587]
  本稿では,3次元表現から得られる情報を利用して局所的な特徴を巧みにとらえる。 GPUベースのKDTreeは、素早いビルド、クエリ、プロジェクションの強化を、簡単な操作で実現している。 我々は,本モデルの縮小バージョンが,本格的な最先端モデルに対して強い競争力を示すだけでなく,リアルタイムに動作することを示す。
  論文  参考訳（メタデータ） (2024-10-14T13:49:05Z)
• A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
  本稿では,点雲のラベル効率学習に関する包括的調査を行う。 本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。 それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
  論文  参考訳（メタデータ） (2023-05-31T12:54:51Z)
• Effective Utilisation of Multiple Open-Source Datasets to Improve Generalisation Performance of Point Cloud Segmentation Models [0.0]
  航空点雲データのセマンティックセグメンテーションは、地面、建物、植生などのクラスに属するポイントを区別するために利用することができる。 ドローンや飛行機に搭載された空中センサーから発生する点雲は、LIDARセンサーやカメラと光度計を利用することができる。 そこで本研究では,データセットの単純な組み合わせが,期待通りに一般化性能を向上したモデルを生成することを示す。
  論文  参考訳（メタデータ） (2022-11-29T02:31:01Z)
• Towards Robust Dataset Learning [90.2590325441068]
  本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。 ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
  論文  参考訳（メタデータ） (2022-11-19T17:06:10Z)
• A Survey of Learning on Small Data: Generalization, Optimization, and Challenge [101.27154181792567]
  ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。 この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。 効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
  論文  参考訳（メタデータ） (2022-07-29T02:34:19Z)
• What Can be Seen is What You Get: Structure Aware Point Cloud Augmentation [0.966840768820136]
  本稿では,データセットを人工的に多様化する新たなポイントクラウド拡張手法を提案する。 センサ中心の手法はライダーセンサーの機能とデータ構造を一致させる。 提案手法は,非常に小さなデータセットの使用,アノテーション時間,トレーニング時間,関連するコストの削減を可能にする。
  論文  参考訳（メタデータ） (2022-06-20T09:10:59Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Clustering augmented Self-Supervised Learning: Anapplication to Land Cover Mapping [10.720852987343896]
  本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。 社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-08-16T19:35:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。